时间序列-LSTM长期预测

最新推荐文章于 2024-08-13 15:48:31 发布

哎呦-_-不错

最新推荐文章于 2024-08-13 15:48:31 发布

阅读量4.8k

点赞数 12

分类专栏：时间序列文章标签：时间序列 LSTM长期预测

本BLOG上原创文章未经本人许可，不得用于商业用途，转载请注明出处。

本文链接：https://blog.csdn.net/weixin_46649052/article/details/109688457

版权

该博客介绍了如何构建多维数据集用于LSTM进行长期时间序列预测，并展示了损失变化图的学习过程。作者鼓励读者点赞关注并提供互关支持。

摘要由CSDN通过智能技术生成

文章目录

- - - 数据格式
    - 代码部分

这个是我在github上看到的，学习完进行记录

数据格式

在这里插入图片描述

代码部分

#!usr/bin/env python
# -*- coding:utf-8 _*-
"""
@author: liujie
@software: PyCharm
@file: LSTM长期预测.py
@time: 2020/11/13 15:48
"""
'''
LSTM长期预测：
    使用LSTM算法对时间序列进行长期预测，标签是多维的，这里是二维，时间步长这里是12，
    预测天数这里是10都可作为参数调节
'''
import warnings
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.metrics import mean_squared_error, mean_absolute_error
from sklearn.preprocessing import StandardScaler

import tensorflow as tf
from tensorflow import keras
from keras.layers.recurrent import LSTM
from tensorflow.keras import layers, optimizers, metrics, losses, callbacks


# 读取数据并绘图
def read_data(filepath):
    data_origin = pd.read_excel(filepath, header=0)
    # print(data_origin.head())
    # data_origin = data_origin.replace(0,np.NAN)
    # data_origin.dropna(inplace=True)
    # data_origin.fillna(method='pad',inplace=True)
    # 画图
    fig = plt.figure(figsize=(15, 5))
    fig.add_subplot()
    plt.plot(data_origin.iloc[:-200, 1])  # iloc通过整数位置为基础的索引来选择
    plt.show(block=False)
    return data_origin

#
# 归一化
def min_max_scaler(data):
    # x = (x - x_min) / (x_max - x_min)
    data_1 = (data - data.min()) / (data.max() - data.min())

    return data_1


# 反归一化
def inverse_data(y_test_pred, data_origin